基于負(fù)面清單管理模式的電力客戶服務(wù)評(píng)價(jià)方法*

劉志欣，黃旭，魏加項(xiàng)，于亮，葉晶晶

(1. 國(guó)網(wǎng)北京市電力公司，北京 100031； 2. 北京交通大學(xué) 電氣工程學(xué)院，北京 100044)

0 引 言

準(zhǔn)確有效地評(píng)價(jià)客戶服務(wù)質(zhì)量是供電企業(yè)提高服務(wù)水平的重要手段。通常，客戶服務(wù)質(zhì)量的評(píng)價(jià)可以通過(guò)外部的滿意度測(cè)評(píng)和內(nèi)部的服務(wù)過(guò)程評(píng)價(jià)來(lái)實(shí)現(xiàn)[1]。外部滿意度測(cè)評(píng)在國(guó)內(nèi)外通常采用以調(diào)查問(wèn)卷為基礎(chǔ)的定量評(píng)價(jià)方法[2-6]。調(diào)查問(wèn)卷具有容易量化，便于統(tǒng)計(jì)，可以開(kāi)展大規(guī)模調(diào)查的優(yōu)點(diǎn)，但它存在調(diào)查問(wèn)題的設(shè)計(jì)體現(xiàn)設(shè)計(jì)者的主觀考慮，很難完全客觀反映出被調(diào)查者的整體感受過(guò)程，動(dòng)態(tài)追蹤性較差的問(wèn)題。與依賴于調(diào)查問(wèn)卷的滿意度測(cè)評(píng)相比，服務(wù)過(guò)程評(píng)價(jià)有三個(gè)優(yōu)點(diǎn)：能更全面更客觀地評(píng)估業(yè)務(wù)過(guò)程的執(zhí)行質(zhì)量；能更直接地發(fā)現(xiàn)客戶服務(wù)中的不足和瓶頸；能充分發(fā)揮業(yè)務(wù)大數(shù)據(jù)的作用，進(jìn)而實(shí)現(xiàn)常態(tài)化評(píng)估。

然而，面向業(yè)務(wù)數(shù)據(jù)的服務(wù)質(zhì)量評(píng)價(jià)面臨許多挑戰(zhàn)，主要困難包括：如何建立一套客觀、實(shí)用、可量化的指標(biāo)體系，如何規(guī)避無(wú)效或低價(jià)值業(yè)務(wù)數(shù)據(jù)的干擾，以及如何提高評(píng)價(jià)機(jī)制的動(dòng)態(tài)跟蹤性能等。文獻(xiàn)[1]針對(duì)供電服務(wù)的業(yè)務(wù)統(tǒng)計(jì)數(shù)據(jù)構(gòu)建了一套內(nèi)部評(píng)價(jià)指標(biāo)體系，并利用模糊層次分析法來(lái)確定指標(biāo)權(quán)重。文獻(xiàn)[7]將主成分回歸賦權(quán)方法與熵權(quán)值賦權(quán)法相結(jié)合構(gòu)建了一個(gè)多因素，多層次的指標(biāo)體系，彌補(bǔ)單一主觀賦權(quán)法的不足。文獻(xiàn)[8]從6個(gè)維度以平衡計(jì)分卡為理論基礎(chǔ)構(gòu)建滿意度評(píng)價(jià)指標(biāo)體系，利用網(wǎng)絡(luò)層次法和模糊綜合評(píng)價(jià)法建立動(dòng)態(tài)測(cè)評(píng)模型，解決以往客戶滿意度評(píng)價(jià)單一指標(biāo)主觀性較強(qiáng)的問(wèn)題；文獻(xiàn)[9]建立四級(jí)評(píng)價(jià)體系，采用逼近理想點(diǎn)法和專家打分法計(jì)算不同級(jí)的指標(biāo)權(quán)重，既考慮了指標(biāo)本身的數(shù)值意義，又考慮了專業(yè)管理的目標(biāo)，增強(qiáng)了評(píng)價(jià)指標(biāo)得分的合理性和客觀性。以上這些方法在一定程度上克服了專家打分法主觀性較強(qiáng)的缺點(diǎn)，但仍屬于常規(guī)的綜合評(píng)分法。

在客戶服務(wù)質(zhì)量評(píng)價(jià)中，多數(shù)研究采用了自下而上的評(píng)分結(jié)構(gòu)。也就是說(shuō)，通過(guò)指標(biāo)體系分層、子項(xiàng)打分、按權(quán)重疊加來(lái)得到一個(gè)綜合分值。文獻(xiàn)[10]借鑒ACSI模型結(jié)構(gòu)和其他行業(yè)的客戶滿意度模型，不考慮難以量化的客戶忠誠(chéng)指標(biāo)，對(duì)提升客戶滿意度工單進(jìn)行“+”處理，對(duì)降低客戶滿意度工單進(jìn)行“-”處理。文獻(xiàn)[11]基于費(fèi)耐爾模型研究影響顧客滿意度的各種因素以及相關(guān)關(guān)系，用正負(fù)號(hào)表示變量之間的相互關(guān)系及相關(guān)程度。文獻(xiàn)[9]采用“二八原則”和下凹型效用函數(shù)對(duì)指標(biāo)進(jìn)行評(píng)分，計(jì)算出正向指標(biāo)和負(fù)向指標(biāo)，計(jì)算結(jié)果弱化了數(shù)量級(jí)帶來(lái)的影響。雖然這類分值能反映出服務(wù)質(zhì)量的相對(duì)高低，但是個(gè)體分值的含義并不明確，這削弱了分值的參考意義。

總而言之，客戶服務(wù)質(zhì)量評(píng)價(jià)或滿意度測(cè)評(píng)應(yīng)當(dāng)滿足以下的基本要求：首先，評(píng)分結(jié)果應(yīng)呈現(xiàn)科學(xué)合理的概率分布，且各分?jǐn)?shù)段對(duì)應(yīng)明確的含義，從而更有效地支持業(yè)務(wù)改進(jìn)；其次，評(píng)價(jià)體系應(yīng)當(dāng)緊密結(jié)合具體業(yè)務(wù)，能客觀地反映客戶體驗(yàn)；最后，評(píng)分基準(zhǔn)、指標(biāo)權(quán)重等重要參數(shù)可自適應(yīng)調(diào)節(jié)。圍繞上述需求，主要完成了以下工作：(1)提出了一種基于RATER指數(shù)的客戶服務(wù)評(píng)價(jià)分層架構(gòu)；(2)提出了基于負(fù)面清單管理模式的評(píng)分方法，旨在解決大量無(wú)效數(shù)據(jù)干擾問(wèn)題和凸顯負(fù)面清單對(duì)企業(yè)形象及信譽(yù)的影響；(3)設(shè)計(jì)了基于改進(jìn)蟻群算法的賦權(quán)方法，從而提高權(quán)重系數(shù)的客觀性。最后，通過(guò)實(shí)際業(yè)務(wù)數(shù)據(jù)對(duì)提出的方法進(jìn)行了分析和驗(yàn)證。

文中剩余內(nèi)容安排如下：第1節(jié)介紹評(píng)價(jià)體系、評(píng)分方法及權(quán)重系數(shù)的確定步驟;第2節(jié)設(shè)計(jì)基于改進(jìn)蟻群算法的權(quán)重系數(shù)辨識(shí)方法;第3節(jié)通過(guò)實(shí)際數(shù)據(jù)驗(yàn)證所提評(píng)分方法并測(cè)試靈敏度;第4節(jié)總結(jié)所提方法的優(yōu)勢(shì)、適用性及完善方向。

1 評(píng)價(jià)體系設(shè)計(jì)

1.1 體系架構(gòu)組成

采用綜合評(píng)價(jià)方法實(shí)現(xiàn)服務(wù)質(zhì)量評(píng)價(jià)，搭建基于RATER指數(shù)的關(guān)鍵指標(biāo)。RATER指數(shù)是一種被廣泛應(yīng)用、可以有效衡量客戶服務(wù)質(zhì)量的指標(biāo)體系，包括五個(gè)子項(xiàng)：信賴度(Reliability)、專業(yè)度(Assurance)、有形度(Tangibles)、同理度(Empathy)和反應(yīng)度(Responsiveness)。因此，綜合評(píng)價(jià)總分公式可表達(dá)如下：

(1)

式中k取1到5且分別對(duì)應(yīng)RATER五個(gè)指標(biāo)；ωk和xk分別為第k個(gè)指標(biāo)的權(quán)重系數(shù)和基于百分制的指標(biāo)得分。

表1 RATER指數(shù)考核要點(diǎn)

表1列出了RATER各指數(shù)的考核要點(diǎn)。考核要點(diǎn)直接與服務(wù)工單的類別相關(guān)聯(lián)，可通過(guò)工單中所登記的業(yè)務(wù)代碼實(shí)現(xiàn)歸類。部分歸類結(jié)果如表2所示。

表2 業(yè)務(wù)歸類部分結(jié)果

通過(guò)業(yè)務(wù)代碼將工單歸類到RATER的五個(gè)指標(biāo)，歸類后工單處理的質(zhì)量將直接影響到各個(gè)指標(biāo)的評(píng)分。在計(jì)算指標(biāo)分值過(guò)程中，有兩個(gè)關(guān)鍵問(wèn)題需要解決：一是如何根據(jù)業(yè)務(wù)數(shù)據(jù)得到指標(biāo)得分；二是如何確定權(quán)重系數(shù)。

1.2 指標(biāo)評(píng)分方法

傳統(tǒng)的指標(biāo)評(píng)分方法采用綜合評(píng)分方法，其實(shí)現(xiàn)步驟如下：首先，將指標(biāo)劃分為業(yè)務(wù)細(xì)項(xiàng)；然后，對(duì)每個(gè)業(yè)務(wù)細(xì)項(xiàng)分別評(píng)分；最后，按照權(quán)重得到指標(biāo)評(píng)分。由于業(yè)務(wù)分類能確?？傮w評(píng)價(jià)的精度，這種方法得以廣泛采用。然而，在多數(shù)情況下，從業(yè)務(wù)過(guò)程中可以提取到的、能直接反映客戶服務(wù)質(zhì)量的信息很少，甚至有些信息是不可靠或不準(zhǔn)確的。例如，業(yè)務(wù)執(zhí)行時(shí)間通?？梢詮臄?shù)據(jù)庫(kù)中通過(guò)時(shí)間比較得到，但該時(shí)長(zhǎng)受多種因素影響，與客戶所體驗(yàn)到的實(shí)際業(yè)務(wù)時(shí)間并非對(duì)應(yīng)。再比如，系統(tǒng)所收集的客戶滿意度評(píng)價(jià)結(jié)果在概率統(tǒng)計(jì)上往往呈現(xiàn)偏態(tài)分布而非正態(tài)分布。其中一個(gè)重要原因是被服務(wù)對(duì)象常常不予評(píng)價(jià)或給出偏高評(píng)價(jià)。

表3 經(jīng)典五級(jí)滿意度分類下的工單數(shù)量(2016年)

在傳統(tǒng)服務(wù)質(zhì)量管理中，周報(bào)、月報(bào)統(tǒng)計(jì)包含了不滿意率等統(tǒng)計(jì)指標(biāo)。然而，該指標(biāo)較為籠統(tǒng)，波動(dòng)量小，而且不能體現(xiàn)具體業(yè)務(wù)細(xì)類中的問(wèn)題及影響程度。例如，由于客戶預(yù)留電話號(hào)碼錯(cuò)誤導(dǎo)致停送電信息短信通知失敗，引發(fā)此類負(fù)面評(píng)價(jià)的主要原因并非服務(wù)品質(zhì)問(wèn)題。

與面向調(diào)查問(wèn)卷的評(píng)價(jià)相比，基于業(yè)務(wù)大數(shù)據(jù)的指標(biāo)評(píng)價(jià)在基本需求基礎(chǔ)上還應(yīng)滿足以下兩個(gè)需求：能基于不確定的業(yè)務(wù)數(shù)據(jù)實(shí)現(xiàn)自動(dòng)評(píng)分，并且對(duì)負(fù)面評(píng)價(jià)具有較高靈敏性。由此，提出了基于負(fù)面清單管理模式的評(píng)分方法。五級(jí)指標(biāo)中的不滿意、非常不滿意評(píng)價(jià)被視為負(fù)面評(píng)價(jià)，其中非常不滿意評(píng)價(jià)包含了涉及電力公司服務(wù)質(zhì)量的投訴及舉報(bào)全部工單。

步驟1：選取一個(gè)負(fù)面工單j，根據(jù)評(píng)價(jià)級(jí)別(即不滿意、非常不滿意)設(shè)置懲罰系數(shù)為α，如不滿意和非常不滿意分別設(shè)為1和2；

步驟2：根據(jù)工單所屬業(yè)務(wù)明細(xì)(如表2所示)判定其指標(biāo)分類為k，用δ表示該明細(xì)與服務(wù)品質(zhì)的關(guān)聯(lián)度，δ∈[0, 1]。如“青苗賠償”的負(fù)面評(píng)價(jià)通常與客戶對(duì)賠償數(shù)額的期望有關(guān)，不完全依賴于客戶服務(wù)品質(zhì)。在實(shí)際應(yīng)用中，關(guān)聯(lián)度通過(guò)“1-9標(biāo)度法”確定。

步驟3：工單j的負(fù)面影響用λj=αδ表示，則指標(biāo)k的負(fù)面影響計(jì)算為：

(2)

式中J為涉及該指標(biāo)的負(fù)面工單集合;K為服務(wù)工單總數(shù)。

步驟4：完成所有負(fù)面工單統(tǒng)計(jì)后，指標(biāo)k的評(píng)分為：

(3)

式中，如ηk太大則xk將出現(xiàn)負(fù)值，可改為：

(4)

式中 函數(shù)max( )將返回兩操作數(shù)中的較大值。

上述方法根據(jù)負(fù)面評(píng)價(jià)的級(jí)別、關(guān)聯(lián)程度和數(shù)量將指標(biāo)分值歸一化，從而防止數(shù)量龐大的中性評(píng)價(jià)或無(wú)效評(píng)價(jià)鈍化總評(píng)分值，提高負(fù)面評(píng)價(jià)的靈敏度。同時(shí)，由于負(fù)面評(píng)價(jià)數(shù)據(jù)較為詳實(shí)且具有很高可信性，所以基于負(fù)面清單管理模式的評(píng)分方法能更準(zhǔn)確地反映服務(wù)品質(zhì)的變化。

1.3 權(quán)重系數(shù)的確定方法

通常，權(quán)重系數(shù)由主觀賦權(quán)法或客觀賦權(quán)法來(lái)確定。其中，主觀賦權(quán)法包括德?tīng)柗品?專家法)、相鄰指標(biāo)比較法以及層次分析法，由于簡(jiǎn)便易行主觀賦權(quán)法被廣泛應(yīng)用于綜合評(píng)價(jià)中。

如表2所示RATER指數(shù)與電力公司業(yè)務(wù)存在明確的相關(guān)性，所以可以采用基于層次分析模型的“1-9標(biāo)度法”確定各指標(biāo)的權(quán)重。在具體操作中，可以借助于專業(yè)軟件來(lái)降低計(jì)算難度，如超級(jí)決策軟件(Super Decision)。根據(jù)對(duì)電力客戶服務(wù)專業(yè)人員和抽樣客戶的問(wèn)卷調(diào)查，采用超級(jí)決策軟件分析，得到的主觀權(quán)重系數(shù)如下：信賴度為0.06、專業(yè)度為0.60、有形度為0.04、同理度為0.11、反應(yīng)度為0.19。從主觀角度來(lái)看，在電力客戶服務(wù)質(zhì)量的影響因素中，專業(yè)度和反應(yīng)度的權(quán)重較大，而有形度和信賴度權(quán)重較小。

在實(shí)際業(yè)務(wù)中，業(yè)務(wù)明細(xì)劃分和引起負(fù)面評(píng)價(jià)的原因都比較復(fù)雜，這導(dǎo)致主觀賦權(quán)法存在局限性。因此，通過(guò)以下參數(shù)識(shí)別策略進(jìn)一步提高賦權(quán)的客觀性：

步驟1：根據(jù)主觀賦權(quán)法得到RATER五個(gè)指標(biāo)的權(quán)重系數(shù)作為初值，并設(shè)定取值范圍，然后整理篩選出一定數(shù)量的負(fù)面評(píng)價(jià)工單作為樣本集;

步驟2：按照業(yè)務(wù)分類及式(2)和式(3)計(jì)算樣本集中每個(gè)負(fù)面評(píng)價(jià)工單的得分，并按照表2所示的分類標(biāo)準(zhǔn)將負(fù)面評(píng)價(jià)工單歸類到RATER的五個(gè)指標(biāo);

步驟3：當(dāng)計(jì)算完樣本集中所有負(fù)面評(píng)價(jià)工單后，由式(1)得到綜合評(píng)分，與滿意度評(píng)分的參考值比較求出平均相對(duì)誤差百分值(MAPE);

步驟4：按一定規(guī)則調(diào)整權(quán)重系數(shù)，到步驟2繼續(xù)計(jì)算。當(dāng)達(dá)到預(yù)設(shè)迭代步驟后，選出最小MAPE對(duì)應(yīng)的一組權(quán)重系數(shù)作為最優(yōu)權(quán)重系數(shù)。

步驟3中的滿意度評(píng)分的參考值是一個(gè)數(shù)組，表示多個(gè)月或多周的評(píng)分。該參考值由專家根據(jù)每個(gè)月的客戶服務(wù)總體水平給出，或根據(jù)上級(jí)管理部門的總體評(píng)分設(shè)定。需要注意的是，該參考值應(yīng)當(dāng)根據(jù)預(yù)設(shè)的分值區(qū)間進(jìn)行折算，從而保持相同的評(píng)分敏感度。因此，目標(biāo)函數(shù)設(shè)計(jì)為：

(5)

式中φ為最優(yōu)權(quán)重系數(shù)的可選解；Φ為解空間；M為擬合月數(shù)；zm為第個(gè)m個(gè)月的參考分值；ym為按式(1)得到的第m個(gè)月的評(píng)分。

式(5)所示的目標(biāo)函數(shù)可以采用非線性優(yōu)化算法求解，將在下節(jié)中詳細(xì)介紹。基于實(shí)際服務(wù)工單數(shù)據(jù)對(duì)權(quán)重系數(shù)進(jìn)行辨識(shí)可以提高賦權(quán)客觀性，也能提高評(píng)價(jià)模型的適用性。更重要的是，辨識(shí)得到的權(quán)重系數(shù)隱含了對(duì)關(guān)聯(lián)度的自適應(yīng)調(diào)整，能進(jìn)一步提高評(píng)價(jià)方法的準(zhǔn)確性。

2 基于改進(jìn)蟻群算法的權(quán)重系數(shù)識(shí)別

2.1 解空間

蟻群優(yōu)化算法(ACO)常用于解決組合優(yōu)化問(wèn)題，經(jīng)過(guò)多年的發(fā)展，已經(jīng)成功應(yīng)用于許多研究領(lǐng)域中，其有效性和可靠性得到了充分證明。在電力系統(tǒng)方面，蟻群算法常用于綜合規(guī)劃問(wèn)題的尋優(yōu)，一般面向離散域進(jìn)行設(shè)計(jì)和求解[12-16]。然而，權(quán)重系數(shù)的辨識(shí)屬于連續(xù)域?qū)?yōu)，為此采用網(wǎng)格劃分策略來(lái)設(shè)計(jì)蟻群算法。假設(shè)待求參數(shù)僅有一個(gè)，用實(shí)數(shù)變量v表示，v∈[vmin，vmax]。根據(jù)取值范圍將變量v的解空間劃分為N格，則每格寬度為Δv=(vmax-vmin)/N。以每格中心作為節(jié)點(diǎn)(城市)，其取值為：

(6)

式中j=1,…,N。

當(dāng)蟻群算法運(yùn)行時(shí)，螞蟻需要完成2步：第1步是根據(jù)每個(gè)節(jié)點(diǎn)上所殘留的信息素通過(guò)轉(zhuǎn)移概率算法來(lái)選擇走哪一個(gè)節(jié)點(diǎn)，即選取一個(gè)符合要求的參數(shù)vj；第2步是根據(jù)選取的參數(shù)vj計(jì)算目標(biāo)函數(shù)值，更新對(duì)應(yīng)節(jié)點(diǎn)的信息素。經(jīng)過(guò)多次循環(huán)后信息素最高的節(jié)點(diǎn)所對(duì)應(yīng)的vj即為最優(yōu)參數(shù)vopt。

為了提高連續(xù)變量的識(shí)別精度，應(yīng)對(duì)離散蟻群算法做一定改進(jìn)。每循環(huán)一定次數(shù)后，適當(dāng)縮小格寬度Δv(即重新設(shè)置vmin和vmax)，公式如下：

(7)

式中γ是收縮系數(shù)，γ∈[0, 1]，使網(wǎng)格寬度逐漸縮小，從而不斷提高識(shí)別精度。

針對(duì)基于負(fù)面清單管理的客戶滿意度評(píng)價(jià)指標(biāo)體系，待識(shí)別參數(shù)為5個(gè)權(quán)重系數(shù)，因此蟻群算法的解空間即為5×N的節(jié)點(diǎn)網(wǎng)格，稱為5列N行，如圖1所示。節(jié)點(diǎn)變量vij表示第i列第j行的取值，每只螞蟻都需要從左到右走過(guò)5個(gè)節(jié)點(diǎn)完成單次尋優(yōu)過(guò)程。

圖1 解空間的網(wǎng)格劃分示意圖

2.2 算子設(shè)計(jì)

在式(5)所示目標(biāo)函數(shù)中，方均誤差表示為：

(8)

則蟻群算法的信息素更新公式設(shè)計(jì)為：

(9)

式中ρ為信息素?fù)]發(fā)系數(shù);Q為信息素強(qiáng)度;c為一個(gè)極小的正小數(shù)防止被零除。

RATER指數(shù)需要5個(gè)權(quán)重系數(shù)，則每只螞蟻都要走過(guò)5個(gè)節(jié)點(diǎn)連成的一條路徑。由于每列有N個(gè)節(jié)點(diǎn)，螞蟻必須根據(jù)狀態(tài)轉(zhuǎn)移概率選擇走哪一個(gè)。在此，轉(zhuǎn)移概率的計(jì)算公式如下：

(10)

當(dāng)一只螞蟻?zhàn)咄?個(gè)節(jié)點(diǎn)后，根據(jù)式(9)更新這些節(jié)點(diǎn)的信息素。信息素的持續(xù)更新使眾多螞蟻之間相互影響，促使蟻群尋找最優(yōu)路徑。

2.3 求解過(guò)程

所提蟻群算法由兩個(gè)循環(huán)結(jié)構(gòu)組成，即蟻群循環(huán)和網(wǎng)格收縮循環(huán)，具體過(guò)程如下：

(1)設(shè)置待求系數(shù)的取值范圍；設(shè)置收縮系數(shù)；設(shè)置蟻群總數(shù)量；設(shè)置網(wǎng)格收縮循環(huán)的次數(shù);

(2)根據(jù)式(6)初始化待求參數(shù)；設(shè)置信息素強(qiáng)度和揮發(fā)系數(shù)；初始化信息素矩陣;

(3)執(zhí)行蟻群循環(huán)，讓所有螞蟻?zhàn)咄?個(gè)節(jié)點(diǎn)所構(gòu)成的尋優(yōu)路線。其中，每只螞蟻的執(zhí)行過(guò)程分成3步：第1步，螞蟻根據(jù)式(10)選出路線上的5個(gè)節(jié)點(diǎn)；第2步，將被選中的節(jié)點(diǎn)輸入式(6)求出對(duì)應(yīng)的5個(gè)參數(shù)，按照式(1)～(4)統(tǒng)計(jì)所有負(fù)面評(píng)價(jià)工單并輸出評(píng)價(jià)總分；第3步，根據(jù)式(8)和式(9)更新5個(gè)節(jié)點(diǎn)的信息素;

(4)檢查是否達(dá)到網(wǎng)格收縮循環(huán)的最大次數(shù)或達(dá)到預(yù)設(shè)精度，是則轉(zhuǎn)至下一步，否則根據(jù)式 縮小變量范圍并轉(zhuǎn)至第(2)步;

(5)輸出辨識(shí)得到的最優(yōu)權(quán)重系數(shù)。

3 案例分析

3.1 權(quán)重系數(shù)識(shí)別及對(duì)比驗(yàn)證

以95598電力客戶服務(wù)中心2016年上半年6個(gè)月的數(shù)據(jù)為例，進(jìn)行客戶服務(wù)質(zhì)量的評(píng)價(jià)。主要包括以下具體環(huán)節(jié)：

(1)首先進(jìn)行數(shù)據(jù)整理，根據(jù)非結(jié)構(gòu)化的數(shù)據(jù)庫(kù)字段“客戶意見(jiàn)”通過(guò)關(guān)鍵詞匹配篩選出負(fù)面評(píng)價(jià)工單，然后根據(jù)業(yè)務(wù)代碼確定工單所隸屬的RATER指標(biāo)；

(2)根據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)設(shè)定各指標(biāo)的負(fù)面評(píng)價(jià)常規(guī)占比及其自評(píng)分?jǐn)?shù)；

(3)通過(guò)專家打分得到權(quán)重系數(shù)初值，再利用改進(jìn)的蟻群算法確定權(quán)重系數(shù)；

(4)根據(jù)確定的權(quán)重系數(shù)等參數(shù)計(jì)算得到每個(gè)月的客戶服務(wù)質(zhì)量綜合評(píng)分。

不滿意和非常不滿意的懲罰系數(shù)設(shè)置為1和2，業(yè)務(wù)細(xì)類與服務(wù)品質(zhì)的關(guān)聯(lián)度基于歷史統(tǒng)計(jì)信息并通過(guò)“1-9標(biāo)度法”確定，部分關(guān)聯(lián)度如表4所示。

表4 業(yè)務(wù)細(xì)類與服務(wù)品質(zhì)關(guān)聯(lián)度的部分設(shè)置

表5列出了所需的相關(guān)參數(shù)。其中，根據(jù)2015年全年的分類統(tǒng)計(jì)結(jié)果設(shè)定負(fù)面評(píng)價(jià)的總數(shù)占比，根據(jù)國(guó)家電網(wǎng)公司客戶服務(wù)管理要求設(shè)定自評(píng)分值，根據(jù)主觀賦權(quán)結(jié)果設(shè)置權(quán)重系數(shù)的取值區(qū)間。

表5 參數(shù)初值設(shè)置

2016年1 月～6月的專家評(píng)估分值折算到[60, 100]區(qū)間后分別為：90、90、86、83、70、79，根據(jù)該目標(biāo)分值采用蟻群算法即可識(shí)別出最優(yōu)權(quán)重系數(shù)，結(jié)果為：0.03、0.41、0.06、0.11、0.39。可見(jiàn)，基于實(shí)際數(shù)據(jù)得到的反應(yīng)度權(quán)重更高，體現(xiàn)了該指標(biāo)對(duì)總體評(píng)價(jià)的影響恒大。采用辨識(shí)出的權(quán)重系數(shù)，計(jì)算總評(píng)分值為88、90、86、80、71、76，與參考分值的對(duì)比如圖2所示，其中擬合誤差MAPE為1.8%，吻合程度很高，表征該組權(quán)重系數(shù)能較為準(zhǔn)確地描述客戶服務(wù)質(zhì)量。

圖2 總評(píng)分?jǐn)?shù)的計(jì)算結(jié)果

4.2 評(píng)價(jià)方法靈敏度測(cè)試

在電力客戶服務(wù)中，專業(yè)度、反應(yīng)度和同理度相關(guān)的負(fù)面評(píng)價(jià)最容易出現(xiàn)，也更易于得到改進(jìn)。辨識(shí)得到的三者權(quán)重也最大。因此，采用定量法測(cè)試這三個(gè)指標(biāo)對(duì)負(fù)面評(píng)價(jià)的靈敏度。將2016年1月隸屬各個(gè)RATER指標(biāo)的不合格工單比例分別增加0.05‰和0.10‰、減少0.05‰和0.10‰，根據(jù)式(4)計(jì)算總評(píng)分值，與圖2中的1月份總評(píng)分值88分對(duì)比得到偏差分?jǐn)?shù)，如圖3所示。

圖3 RATER指標(biāo)的靈敏度測(cè)試結(jié)果

由圖3可知：(1)各指標(biāo)分值均能響應(yīng)不合格工單比例的變化；(2)最受關(guān)注的專業(yè)度和反應(yīng)度呈現(xiàn)較高敏感度；(3)由于同理度設(shè)置了較高的自評(píng)分值(表征管理者對(duì)該指標(biāo)的服務(wù)質(zhì)量較滿意)，雖然權(quán)重系數(shù)較高但是靈敏度較低；(4)盡管有形度權(quán)重較低，由于設(shè)置了更低的自評(píng)分值(表征管理者希望提升該指標(biāo)的服務(wù)水平)，使得其靈敏度較高。

與綜合評(píng)價(jià)方法不同，基于負(fù)面清單管理模式的評(píng)分方法除了具有出色的抗不良數(shù)據(jù)干擾能力之外，還能更積極地響應(yīng)負(fù)面評(píng)價(jià)服務(wù)工單數(shù)量的波動(dòng)。通過(guò)調(diào)整針對(duì)RATER各個(gè)指標(biāo)的自評(píng)分值，可以為電力客戶服務(wù)部門提供目標(biāo)清晰、靈活性高的質(zhì)量管控策略。

4 結(jié)束語(yǔ)

傳統(tǒng)的綜合評(píng)分方法對(duì)于業(yè)務(wù)數(shù)據(jù)的準(zhǔn)確性和可靠性有很高的要求。然而，電力客戶服務(wù)數(shù)據(jù)通常存在大量中性或無(wú)效信息，真正反映客戶訴求的評(píng)價(jià)信息數(shù)量偏少，這嚴(yán)重影響了傳統(tǒng)方法的準(zhǔn)確性和可信性，也極大降低了評(píng)分的敏感度。

提出了一種基于負(fù)面清單管理模式的客戶服務(wù)評(píng)價(jià)方法，側(cè)重關(guān)注不合格工單的數(shù)量和質(zhì)量變化。該方法的主要優(yōu)勢(shì)如下：(1)對(duì)數(shù)據(jù)質(zhì)量的要求不高，具有很強(qiáng)的抗干擾能力；(2)得益于預(yù)設(shè)的不合格工單的眾數(shù)占比及自評(píng)分值，評(píng)分結(jié)果能體現(xiàn)清晰的管理期望；(3)通過(guò)改變自評(píng)分值可調(diào)整評(píng)價(jià)分?jǐn)?shù)的靈敏度，從而實(shí)現(xiàn)目標(biāo)明確、靈活性高的管控策略；(4)因?yàn)橹豢紤]了負(fù)面清單對(duì)滿意度的影響，極大地減少了計(jì)算量，適合于大數(shù)據(jù)系統(tǒng)分析；(5)主觀賦權(quán)法和基于蟻群的參數(shù)識(shí)別相結(jié)合，既避免了過(guò)分依賴主觀因素,又可以避免過(guò)分依賴客觀因素的現(xiàn)象,從而提高綜合評(píng)分的可靠性。

電力客戶服務(wù)工單數(shù)據(jù)的現(xiàn)狀表明：反饋意見(jiàn)為“滿意”的工單通常表示客戶服務(wù)體驗(yàn)滿足預(yù)期，而且“非常滿意”類工單的數(shù)量很少?？紤]這些現(xiàn)實(shí)因素，客戶的正面意見(jiàn)在所提評(píng)價(jià)方法中沒(méi)有考慮。因此，該方法不適用于基于客戶調(diào)查問(wèn)卷的服務(wù)評(píng)價(jià)。此外，受到語(yǔ)音辨識(shí)及關(guān)鍵詞檢索準(zhǔn)確性限制，未評(píng)估客戶情緒，未來(lái)有待于進(jìn)一步完善。

近期來(lái)看，基于負(fù)面清單管理模式的電力客戶服務(wù)評(píng)價(jià)方法具有很好的實(shí)用性，能有效解決實(shí)際評(píng)價(jià)工作中遇到的數(shù)據(jù)有效性難題，有望為提升電力客戶服務(wù)品質(zhì)提供有力支持。